基于视觉的手势识别技术的研究

论文摘要

最近几年,随着计算机技术的迅猛发展,手势识别逐渐成为除语音识别外的一个重点领域。手势识别可以用于娱乐,聋哑人教学,机器人控制等方面。手势识别技术有许多种方法,其中以基于视觉的手势识别技术最为方便,代价最小,但是也存在不少难点,如:如何将手势从背景中分割,如何选择手势不变特征等。本课题主要针对服务机器人在一般室内环境下的特点,设计出了一套完整的手势识别系统,能识别10种静态手势与30种动态手势,识别率达90%以上。首先,采用单目摄像头获取图像信息,在视频流中截取一系列手势图像,进行平滑处理(卷积滤波)。然后,采用色度阈值与手势几何特征相结合的方法,成功将手势与复杂背景分割。在特征提取方面,主要将几何特征作为手形特征,并将手形特征和动态轨迹特征相结合,组成特征向量。在样本训练方面,采取了基于欧氏距离的判别方法,完成了样本数据的提取工作。在手势识别方面,通过分析特征向量空间,采取判定树粗分类,模板匹配与贝叶斯决策相结合的细分类方法,完成了分类器的设计。在系统设计方面,提出二次判定法,完成了“开始识别”指令的设计,并设计出了相应的训练学习、识别界面。在此基础上,进行相关的实验,包括特定人、非特定人手势识别实验,明暗背景对比实验,非定义手形的误判别实验,证明了手势识别算法的有效性,实时性与稳定性。最终,通过机器人运动控制模拟实验,验证了该算法在实际运用上的可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的背景及研究意义
• 1.2 国内外相关领域的发展现状
• 1.2.1 国内手势识别领域的发展现状
• 1.2.2 国外手势识别领域的发展现状
• 1.3 手势识别的分类
• 1.3.1 根据识别对象分类
• 1.3.2 根据使用设备分类
• 1.3.3 根据手势识别方法分类
• 1.4 手势识别中的技术难点
• 1.5 本文主要研究内容
• 第2章 手势图像的预处理
• 2.1 手势图像的获取
• 2.2 手势图像的平滑
• 2.2.1 邻域平均法
• 2.2.2 卷积滤波法
• 2.3 通过彩色空间理论进行手势与背景分割
• 2.3.1 颜色空间变换
• 2.3.2 肤色聚类特性检验
• 2.3.3 通过HSV空间进行手势与背景分割
• 2.3.4 手势图像容量的压缩
• 2.3.5 去除孤立点噪声
• 2.4 通过手势的几何特征进行手势与背景分割
• 2.4.1 通过面积阈值进行分割
• 2.4.2 通过矩形长宽比阈值进行分割
• 2.4.3 通过矩形左右1/4 处的交点间隔进行分割
• 2.5 手势图像的轮廓提取
• 2.6 本章小结
• 第3章 手势特征参数的提取
• 3.1 手形特征参数的选取
• 3.2 手形特征参数的提取
• 3.2.1 手形矩形区域的计算算法
• 3.2.2 AreaRatio特征的计算算法
• 3.2.3 WidthRatio特征的计算算法
• 3.2.4 LeftRatio特征的计算算法
• 3.2.5 nmi特征的计算算法
• 3.2.6 ncount特征的计算算法
• 3.3 动态轨迹特征的提取算法
• 3.4 本章小结
• 第4章 手势识别算法与分类器的设计
• 4.1 模式识别系统
• 4.2 基于欧式距离的特征样本筛选
• 4.3 识别算法与分类器的设计
• 4.3.1 判定树分类法
• 4.3.2 模板匹配法
• 4.3.3 贝叶斯决策法
• 4.3.4 动态轨迹识别法
• 4.4 本章小结
• 第5章 系统实现与实验结果
• 5.1 系统设备与界面
• 5.2 系统识别流程
• 5.2.1 开始识别指令的设计
• 5.2.2 视频流处理
• 5.3 特定人实验结果与分析
• 5.4 非特定人实验结果及分析
• 5.5 明暗实验环境下实验结果及分析
• 5.6 非定义手形误判实验结果及分析
• 5.7 机器人运动控制模拟实验
• 5.8 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢